14B 参数，无额外数据，无 agent RSI 辅助，开源可复现

作者丨齐铖湧

编辑丨林觉民

过去半年，具身智能大大小小的榜单更新了一轮又一轮，但真正有信息量的变化并不多。

RoboDojo 最近的几次榜首更迭，却是个例外。

首先是上个月 RoboDojo 榜单，因为被 GPT-6-Astra 跨界屠榜，拿下第一，变得备受行业关注。作为通用大模型的主力选手，GPT-6 下场参评具身分支榜单，跨考机器人领域，是非常值得记录的行业信号，它的出现，威胁到了不少具身基模的江湖地位。

而就在刚刚，榜单第一位换成了一个来自中国的自研模型 "VPP2"。

据 AI 科技评论独家获悉，VPP2 是清华唯一持股的具身公司星动纪元推出的最新世界动作模型（WAM），全称叫做 Video Prediction Policy 2。

近日， VPP2 以平均成功率（Avg SR）32.26%、平均得分（Avg Score）39.26 分的成绩登顶 RoboDojo 榜首，并拿下 generalization 、precision 、memory 三项成绩第一。这是继 GPT-6-Astra 登顶之后，中国具身团队在这个榜单上拿到的最高分。

据 AI 科技评论 独家了解 星动纪元 VPP2 这款被业 内传为 " 最强 WAM" 模型的三大细节，第一这只是一个只有 14B 参数的模型；并且，它没有使用任何额外数据，也没有使用 agent RSI。其次，这是一个 开源 模型，任何团队均可用该开源模型复现本次夺冠成绩。

某种意义上，在 RoboDojo 榜上，VPP2 的出现是一次里程碑式的存在。

01

RoboDojo 榜单含金量：

具身智能界的珠穆朗玛峰

RoboDojo 是一个来头不小的权威评测：由香港大学多媒体实验室（MMLab）牵头，联合 UC 伯克利、清华等全球近 20 所顶尖学术机构共建，背后是知名仿真基准 RoboTwin 的原班人马，一直被各个具身大脑公司戏称为 " 具身智能界的珠穆朗玛峰 "。

它干的事，用一句话概括：给全世界的机器人模型办一场统一高考。

" 统一 " 二字是理解这个榜单的关键。过去两年，各家具身公司都在发 Demo、报成功率，但各家考卷不同、硬件不同、评分标准不同，横向比较几乎无从谈起。RoboDojo 试图终结这种状态：真机与仿真双轨并行，统一硬件、统一协议、公开题库，从根上杜绝针对性优化和过拟合。

仿真环节包含 42 个双臂任务，考察五个能力维度：泛化、记忆、精度、长程执行、开放词汇指令遵循。每一项都对应真实操作场景里的硬骨头。

以泛化维度为例，机器人要按颜色和字母标识把积木分拣到对应盒子里，或把汉堡部件按序装盒，物体摆放位置全程随机化，这和实际工作场景中物体随机放置的状态一致，任何细微的位置偏移都可能导致失败。

记忆维度要求机器人按正确顺序依次拉动多个抽屉拉杆，全程零容错，错一步记零分。精度维度考察插花、倒水这类精细动作。长程维度最具代表性的是 " 微波炉取三明治 "：开关微波炉门、开关内部炉门、取出并放置三明治，完整链条约十个步骤，考验的是多环节任务的全局规划。开放维度则要求听懂任意口头指令，比如把桌面上出现的任何物品分拣到对应容器中。

评分规则同样不近人情：只要任务没有完整走完，即便大部分步骤正确，最终得分也是零。

这套考卷的区分度，从头部模型的集体低分就能看出来。 在 星动纪元 VPP2 之前，榜单上主流模型的成功率多在个位数到两成出头，PI 的 π 0.5 成功率 8.31%、平均得分 14.67；GPT-6-Astra 以 22.48% 和 28.97 登顶时，已经是断档式的领先。

第一名也只有两成多成功率，说明两件事：题出得确实难，以及整个行业离 " 毕业 " 还很远。

值得一提的是，出现在榜单上的 GPT-6-Astra 并非第三方研究者复现的结果，而是 RoboDojo 官方亲测的成绩。这样的榜单含金量，在具身评测里并不多见。

在这样的考卷上，VPP2 论文报告的成绩是成功率 32.26%、平均得分 39.26.，高于 GPT-6-Astra 的 22.48% 和 28.97。并同时拿下泛化、精度、记忆三个单项第一。

把几组数字放在一起看：π 0.5 是 8.31%，GPT-6-Astra 是 22.48%，VPP2 是 32.26%。在一个第一名只能做对两成多题目的考场上，成绩每抬高一个百分点，背后都是真实能力的增量，而不是刷榜技巧的增量，这一点，我们在下一节会展开。

还有一个容易被忽略的参照系。

PI 的 π 0.5 出现在全球绝大多数榜单上，都是别人拿它的开源模型去跑分，属于 " 被参赛 "；它唯一一次官方亲自下场的赛事，是今年 4 月的 Benjie ’ s Olympics。那场比赛的三项第一，同样被星动纪元拿走。也就是说，两次与头部公司 " 官方主力 " 的正面对垒，胜出的是同一家中国公司。

从某种角度上，星动纪元在具身大脑的江湖地位上，一直是非常有野心的。

02

含金量在考法：一场没有 " 外挂 " 的考试

从测评结果上，VPP2 的实力支撑了这一野心。

仿真评测圈存在一个半公开的做法：为了冲高分数，不少参评团队会引入额外数据 " 加餐 "，或者使用 agent RSI，向智能体注入特权状态信息，辅助决策。规则并未禁止这些手段，谈不上违规，但不同考法之下，分数的可比性难免打折扣。

VPP2 的成绩单上，这两项都是空白：训练只使用官方标准数据集，按官方 baseline 协议公平训练，未引入任何额外数据，也未使用 agent RSI。换句话说，这是一场 " 裸考 "。

为什么考法比分数更值得讨论？因为没有额外的题可刷、没有场外信息辅助，这个成绩就不可能是靠过拟合或者后训练堆出来的。它证明的是预训练阶段沉淀的原生能力，而原生能力强的另一个说法，叫泛化性强。

这正是行业当下最缺的东西。

今天讨论具身智能，流行的判断是 " 没有落地 "，这个说法并不准确：头部公司多多少少都有落地项目，真正缺的是大规模落地。卡点在于，每进入一个新场景，都要做大量工程性优化和后训练，适配成本高到客户算不过账。要打破这个循环，唯一的出路是把基模的泛化性做上去，基模见过的世界足够多、理解得足够深，进入新场景的边际成本才能降下来。

VPP2 这场 " 裸考 " 的实际含义正在于此：它用一套可复现、可对照的成绩证明，泛化能力可以来自基模本身，而不是来自场景定制的工程技巧。对行业来说，这比一个榜首位置重要得多。

榜单光环之下，还有一组数字值得单独拿出来看：VPP2 是一个 14B 参数的模型。

它对标过的对象里，站着英伟达的 Cosmos3 64B，参数量是它的四倍多。在开放式任务的视频预测指令遵循率上，VPP2-14B 在人类操作视角拿到 0.80、机器人视角拿到 0.90，而 Cosmos3-64B 是 0.70 和 0.78，VPP2 高出约 11 个百分点。

要知道，VPP2 的基座模型 Wan2.1-14B 在这项测试上只有 0.32 和 0.04，提升来自训练方法，而非基座本身。真机侧同样如此：在 ALOHA 双臂零样本操作任务上，VPP2 的成功率超出最强基线 18.5 个百分点。

小模型的价值不只是 " 以小博大 " 的叙事快感。

机器人的端侧算力是有硬约束的，基模小一号，推理成本、响应延迟、功耗全都松一口气，换来的是实打实的部署自由度。对一家要给物流中心批量交付机器人的公司来说，这对星动纪元来说，不是学术问题，是真金白银的商业问题。

03

星动纪元VPP2 的技术细节剖析

拆开 VPP2 的论文，一个直观感受是：这个工作的成色，更多来自数据管线和训练范式，而不是某个炫酷的新概念和新架构。

这与行业风气形成了对照。具身模型赛道现在几乎每周都有新架构发布，新名词一个接一个。

而星动纪元的实践给出的答案是：在架构趋同的当下，把基础工作拆细、做扎实，带来的提升比换一个架构直接得多。

训练范式上，VPP2 的核心是 " 解耦 "。

传统做法把视频预测和动作生成放在一起联合训练，VPP2 的判断是顺序错了：视频预测的质量决定动作的上限，两者必须拆开、排序。

先让模型在 " 脑内 " 预演物理世界的变化，再基于预演结果输出动作。

整条管线分四步：事件级视频预训练、语言条件化视频预测、基于视频模型 KV cache 训练动作专家、针对评测的专项后训练。

策略执行时，模型每步只用 0.2 秒的推理时间，就能输出 0.8 秒的动作块。

论文里有个精彩的细节。一句简单指令 " 把碗放进盒子 "，对应的未来视频是高度多模态的，有无数种放法，映射关系不稳定，模型根本没法学；

而把指令扩充为详细描述（" 左侧机械爪拿起左边的白色碗，放入透明盒内，相机保持静止 "），未来的执行轨迹立刻变成唯一、稳定的映射，分布高度集中。一个 caption 工程上的洞察，直接决定了预测任务的可学性。

数据管线同样要下功夫。

论文中显示，训练数据横跨单臂（OXE、RoboMIND、DROID、RH20T）、双臂（AgibotWorld-Beta、RoboCOIN）、移动与人形、人类第一视角（Ego4D、Epic-Kitchen）和通用视频（Panda-70M）等多个来源，且每一类数据配不同的过滤策略：末端执行器不可见的片段直接删除，完全可见的取首帧做标注。这种 " 数据洁癖 " 不性感，但有效。

这一细节，让我们想到 DeepMind 研究员姚顺宇此前有一个流传颇广的判断：大模型领域最稀缺的不是天才，而是靠谱、对自己做的事情负责的人。

所谓靠谱，就是把事情拆细并且做到位。在将基础工作拆细、做扎实后，VPP2 在模型表现上的提升比想象中大太多了，因此星动纪元团队的这次工作，某种程度上，和姚神的这个判断隔空达成了默契。

04

论文中的彩蛋实验：

GPT+WAM= 泛化性的无限可能

论文里还埋着一组容易被榜单新闻盖住的实验：给 VPP2 加上一个由 GPT 类模型担任的 " 子任务规划器 "，负责高层规划，五个任务的平均成功率从 27.6% 直接跳到 57.6%，翻了一倍还多；井字棋这类需要策略思考的任务，从 0 分涨到 38 分。

这组数据指向一个清晰的分工：GPT 管 " 想 "，WAM 管 " 做 "。物理 AI 等于通用认知乘以通用物理执行，两者构成 " 认知—规划—预测—执行—反馈 " 的闭环。

值得玩味的是，GPT-6-Astra 亲自下场打具身榜，本身就是大模型公司想吃掉 " 做 " 这一层的信号。

而星动纪元给出的是另一条路线：认知与物理执行解耦为两个基模，各自规模化，再闭环协同。从 2024 年的 HiRT、ERA-42，到今天的 VPP2，这家公司是 GPT+WAM 范式的率先提出者，并且一步步把它从论文搬到了榜单和产线上。

具身模型的范式还在演进，但下一个范式的轮廓，已经隐约可见。

05

榜单之外的具身公司：星动纪元

最近不少新旧具身公司交替，我们正好可以借星动纪元这次登顶，聊聊一家具身公司的克制，与去处。

翻一下星动纪元的打榜史，会发现这家公司在这方面相当克制。WorldArena 的冠军，是主办方拿公开成果主动测了他们，属于 " 被动 " 参赛；真正自己主动下场打的，只有 Benjie ’ s Olympics、RoboChallenge 和这次的 RoboDojo 三个，三个都是第一。

挑考场的逻辑也清晰：都是对方主力亲自出席的考场。考场之外的去处同样明确。一方面，VPP2 已同步开源。另一方面落地侧，星动纪元已完成物流行业首个 PMF 验证，与中国邮政、顺丰合作，在全国 5 个省市、10 余个物流中心常态化运营。

从某种意义上，星动纪元在打榜的态度上，给很多具身公司打了个样，打榜不是目的，而是一把标尺，泛化能力最终要去的地方，是那些不需要 " 重新调一遍 " 的新场景。在 " 视频可用 " 和 " 产品可用 " 之间的那道鸿沟，靠刷榜填不上，靠泛化可以。这大概是 VPP2 这个第一之外，更值得行业记住的东西。

文末附上我们扒到的 VPP2 相关信息供各位进一步了解

开源代码 ：

https://github.com/roboterax/video-prediction-policy-2

项目主页：

https://robert-gyj.github.io/ video-prediction-policy-2

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲 PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI 科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI 科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。